基于分解优化并行ESN的氢燃料电池寿命预测

doi:10.7527/S1000-6893.2024.30696

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于分解优化并行ESN的氢燃料电池寿命预测

华志广¹, 潘诗媛¹(), 赵冬冬¹, 李祥隆², 窦满峰¹

^1.西北工业大学自动化学院，西安 710129
^2.北京化工大学材料科学与工程学院，北京 100029

收稿日期:2024-05-17 修回日期:2024-06-11 接受日期:2024-07-24 出版日期:2024-08-21 发布日期:2024-08-20
通讯作者: 潘诗媛 E-mail:panshiyuan@mail.nwpu.edu.cn
基金资助:
国家自然科学基金(52307251);中国博士后科学基金(2023TQ0277)

Lifespan prediction of hydrogen fuel cell based on decomposition optimization parallel ESN

Zhiguang HUA¹, Shiyuan PAN¹(), Dongdong ZHAO¹, Xianglong LI², Manfeng DOU¹

^1.School of Automation，Northwestern Polytechnical University，Xi’an 710129，China
^2.School of Materials Science and Engineering，Beijing University of Chemical Technology，Beijing 100029，China

Received:2024-05-17 Revised:2024-06-11 Accepted:2024-07-24 Online:2024-08-21 Published:2024-08-20
Contact: Shiyuan PAN E-mail:panshiyuan@mail.nwpu.edu.cn
Supported by:
National Natural Science Foundation of China(52307251);China Postdoctoral Science Foundation(2023TQ0277)

摘要/Abstract

摘要：

针对质子交换膜燃料电池（PEMFC）多时间尺度老化特性导致电压预测精度较低的问题，基于集成经验模态分解（EEMD）与循环系统优化（CSBO）方法，提出了一种并行回声状态网络（PESN）结构，提升了PEMFC的寿命预测精度。采用EEMD对原始电压信号进行模态分解，将不同时刻的历史数据及分解得到的不同频率信号作为ESN不同子蓄水池的并行输入，构建一种按权重分配叠加输出的并行ESN结构，利用CSBO优化并行ESN结构的相关参数，基于优化后的EPESN模型实现PEMFC未来数百小时输出电压的预测。在稳态和准动态70%的数据训练集下，EPESN比ESN的均方根误差分别降低了34.25%和47.41%。在动态1训练时长为300 h时，EPESN比ESN的均方根误差降低了15.30%。结果表明：EPESN结构能够提高PEMFC寿命的预测精度。

关键词: 质子交换膜燃料电池, 寿命预测, 经验模态分解, 循环系统优化, 回声状态网络

Abstract:

Aiming at the problem of low voltage prediction accuracy caused by multi-time-scale aging characteristics of Proton Exchange Membrane Fuel Cell （PEMFC）， a Parallel Echo State Network （PESN） structure which based on Ensemble Empirical Mode Decomposition （EEMD） and Circulatory System based Optimization （CSBO） is proposed to improve the lifespan prediction accuracy of PEMFC. By utilizing EEMD to conduct modal decomposition on the original voltage signal， the historical data from various time points and the decomposed signals with distinct frequencies are taken as the parallel inputs for the different sub-reservoirs of ESN， thereby establishing a parallel ESN structure that allocates and superimposes outputs based on weights. The CSBO is then leveraged to optimize the relevant parameters of the parallel ESN structure. Subsequently， utilizing the optimized EPESN model， the prediction of the output voltage of PEMFC for the next several hundred hours is achieved. Specifically， under the steady-state and quasi-dynamic data training sets at 70%， the Root Mean Square Error （RMSE） of EPESN is reduced by 34.25% and 47.41% respectively， compared to that of ESN. Furthermore， when the dynamic 1 training duration is set at 300 h， the RMSE of EPESN is decreased by 15.30% compared to ESN. The results explicitly demonstrate that the EPESN structure is capable of enhancing the prediction accuracy for the lifespan of PEMFC.

Key words: proton exchange membrane fuel cell, life prediction, empirical mode decomposition, circulatory system based optimization, echo state network

中图分类号:

V237

华志广, 潘诗媛, 赵冬冬, 李祥隆, 窦满峰. 基于分解优化并行ESN的氢燃料电池寿命预测[J]. 航空学报, 2025, 46(2): 330696.

Zhiguang HUA, Shiyuan PAN, Dongdong ZHAO, Xianglong LI, Manfeng DOU. Lifespan prediction of hydrogen fuel cell based on decomposition optimization parallel ESN[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(2): 330696.

图/表 27

表 1

图 1

图 2

图 3

图 4

表 2

图 5

图 6

图 7

表 3

表 4

图 8

图 9

表 5

表 6

图 10

图 11

表 7

表 8

图 12

图 13

表 9

表 10

表 11

表 12

表 13

图 14

参考文献 23

1	雷涛，闵志豪，付红杰，等. 燃料电池无人机混合电源动态平衡能量管理策略［J］. 航空学报， 2020， 41（ 12）： 324048.
	LEI T， MIN Z H， FU H J， et al. Dynamic balanced energy management strategies for fuel-cell hybrid power system of unmanned air vehicle［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（ 12）： 324048 （in Chinese）.
2	DIJOUX E， STEINER N Y， BENNE M， et al. Experimental validation of an active fault tolerant control strategy applied to a proton exchange membrane fuel cell［J］. Electrochem， 2022， 3（ 4）： 633- 652.
3	任圆圆，许亮，蔡远利. 质子交换膜燃料电池剩余使用寿命预测研究进展［J］. 电源技术， 2023， 47（ 8）： 984- 988.
	REN Y Y， XU L， CAI Y L. Progress on remaining useful life prediction of proton exchange membrane fuel cell［J］. Chinese Journal of Power Sources， 2023， 47（ 8）： 984- 988 （in Chinese）.
4	YUE M L， JEMEI S， ZERHOUNI N， et al. Proton exchange membrane fuel cell system prognostics and decision-making： Current status and perspectives［J］. Renewable Energy， 2021， 179： 2277- 2294.
5	LIU J W， LI Q， HAN Y， et al. PEMFC residual life prediction using sparse autoencoder-based deep neural network［J］. IEEE Transactions on Transportation Electrification， 2019， 5（ 4）： 1279- 1293.
6	ZHAO Y， LUO M J， YANG J W， et al. Numerical analysis of PEMFC stack performance degradation using an empirical approach［J］. International Journal of Hydrogen Energy， 2024， 56： 147- 163.
7	李奇，刘嘉蔚，陈维荣. 质子交换膜燃料电池剩余使用寿命预测方法综述及展望［J］. 中国电机工程学报， 2019， 39（ 8）： 2365- 2375.
	LI Q， LIU J W， CHEN W R. Review and prospect of remaining useful life prediction methods for proton exchange membrane fuel cell［J］. Proceedings of the CSEE， 2019， 39（ 8）： 2365- 2375 （in Chinese）.
8	赵冬冬，赵国胜，夏磊，等. 无人机用燃料电池阴极供气系统建模与控制［J］. 航空学报， 2021， 42（ 7）： 324659.
	ZHAO D D， ZHAO G S， XIA L， et al. Modeling and control of fuel cell cathode gas supply system for UAV［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（ 7）： 324659 （in Chinese）.
9	YAN C Z， CHEN J， LIU H， et al. Health management for PEM fuel cells based on an active fault tolerant control strategy［J］. IEEE Transactions on Sustainable Energy， 2021， 12（ 2）： 1311- 1320.
10	MA R， XIE R Y， XU L C， et al. A hybrid prognostic method for PEMFC with aging parameter prediction［J］. IEEE Transactions on Transportation Electrification， 2021， 7（ 4）： 2318- 2331.
11	ZHENG L， HOU Y P， ZHANG T， et al. Performance prediction of fuel cells using long short-term memory recurrent neural network［J］. International Journal of Energy Research， 2021， 45（ 6）： 9141- 9161.
12	CHEN K， LAGHROUCHE S， DJERDIR A. Degradation prediction of proton exchange membrane fuel cell based on grey neural network model and particle swarm optimization［J］. Energy Conversion & Management， 2019， 195（ S1）： 810- 818.
13	ZHU L， CHEN J. Prognostics of PEM fuel cells based on Gaussian process state space models［J］. Energy， 2018， 149： 63- 73.
14	REZK H， WILBERFORCE T， SAYED E T， et al. Finding best operational conditions of PEM fuel cell using adaptive neuro-fuzzy inference system and metaheuristics［J］. Energy Reports， 2022， 8： 6181- 6190.
15	DENG Z H， CHAN S H， CHEN Q H， et al. Efficient degradation prediction of PEMFCs using ELM-AE based on fuzzy extension broad learning system［J］. Applied Energy， 2023， 331： 120385.
16	LIU J W， LI Q， CHEN W R， et al. Remaining useful life prediction of PEMFC based on long short-term memory recurrent neural networks［J］. International Journal of Hydrogen Energy， 2019， 44（ 11）： 5470- 5480.
17	JIN J S， CHEN Y P， XIE C J， et al. Degradation prediction of PEMFC based on data-driven method with adaptive fuzzy sampling［J］. IEEE Transactions on Transportation Electrification， 2024， 10（ 2）： 3363- 3372.
18	LI S Y， LUAN W L， WANG C， et al. Degradation prediction of proton exchange membrane fuel cell based on Bi-LSTM-GRU and ESN fusion prognostic framework［J］. International Journal of Hydrogen Energy， 2022， 47（ 78）： 33466- 33478.
19	LI Z L， ZHENG Z X， OUTBIB R. Adaptive prognostic of fuel cells by implementing ensemble echo state networks in time-varying model space［J］. IEEE Transactions on Industrial Electronics， 2020， 67（ 1）： 379- 389.
20	MEZZI R， YOUSFI-STEINER N， PÉRA M C， et al. An Echo State Network for fuel cell lifetime prediction under a dynamic micro-cogeneration load profile［J］. Applied Energy， 2021， 283： 116297.
21	MORANDO S， JEMEI S， HISSEL D， et al. ANOVA method applied to proton exchange membrane fuel cell ageing forecasting using an echo state network［J］. Mathematics and Computers in Simulation， 2017， 131： 283- 294.
22	GHASEMI M， AKBARI M A， JUN C， et al. Circulatory System Based Optimization （CSBO）： An expert multilevel biologically inspired meta-heuristic algorithm［J］. Engineering Applications of Computational Fluid Mechanics， 2022， 16（ 1）： 1483- 1525.
23	HUA Z G， ZHENG Z X， PAHON E， et al. Remaining useful life prediction of PEMFC systems under dynamic operating conditions［J］. Energy Conversion and Management， 2021， 231： 113825.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

现有方法	优势	局限性
经验模型 ^{［ 5］}	易于实现、计算成本低	泛化能力差、依赖大量实验数据
机理模型 ^{［ 6］}	基于物理原理、预测准确	模型复杂、需要详细的系统知识
半经验半机理模型 ^{［ 7］}	结合物理原理和数据驱动、泛化能力强	模型复杂度中等、需要部分先验知识
数据驱动 ^{［ 12- 21］}	良好地捕捉非线性关系、快速收敛、适应性强	依赖高质量数据、可能过拟合
数据和模型驱动混合 ^{［ 7］}	结合数据和模型优势、预测精度高	方法复杂、需要大量数据和先验知识

参数	稳态	准动态	动态1	动态2
单体电池个数	5	5	96	8
运行功率/kW	1	1	1~5	1
单体电池活化面积/cm ²	100	100	100	220
工作电/A	70	70±7	20~99	0~110
测试时间/h	1 154	1 020	450	500
氢气输入/输出温度/℃	29/41	27/37	58	54/55
空气输入/输出温度/℃	42/51	43/51	58	56/57

训练时长/h	RMSE
训练时长/h	ESN	ELM	LSTM	EPESN
500	0.011 49	0.011 55	0.014 08	0.010 34
550	0.012 51	0.011 45	0.016 20	0.010 54
600	0.016 76	0.013 88	0.018 72	0.011 80
650	0.015 66	0.013 21	0.015 88	0.012 04
700	0.018 60	0.014 79	0.013 02	0.011 73
750	0.013 40	0.014 47	0.013 46	0.012 59
800	0.014 34	0.017 06	0.016 40	0.013 58

训练时长/h	MAPE
训练时长/h	ESN	ELM	LSTM	EPESN
500	0.002 47	0.002 82	0.003 71	0.002 31
550	0.002 98	0.002 36	0.004 02	0.002 43
600	0.004 04	0.003 15	0.004 93	0.002 51
650	0.003 81	0.003 08	0.003 73	0.002 59
700	0.004 70	0.002 79	0.003 16	0.002 63
750	0.003 05	0.003 52	0.003 18	0.002 70
800	0.003 29	0.003 48	0.003 46	0.003 07

训练时长/h	RMSE
训练时长/h	ESN	ELM	LSTM	EPESN
500	0.041 03	0.060 14	0.028 75	0.016 29
550	0.064 08	0.043 77	0.020 788	0.015 02
600	0.052 29	0.022 04	0.030 31	0.016 43
650	0.052 96	0.025 00	0.025 89	0.016 47
700	0.049 76	0.034 71	0.026 17	0.017 17
750	0.054 50	0.024 95	0.024 62	0.018 10
800	0.028 34	0.041 24	0.031 13	0.015 16

基于分解优化并行ESN的氢燃料电池寿命预测

Lifespan prediction of hydrogen fuel cell based on decomposition optimization parallel ESN

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 27

参考文献 23

相关文章 15

编辑推荐

Metrics

本文评价

训练时长/h	RMSE/10 ^-2
训练时长/h	ESN-1R	ESN-2R	ESN-3R	ESN-4R	ESN-5R
500	4.10	1.60	2.24	1.94	2.20
550	6.40	1.55	1.99	1.80	1.91
600	5.23	1.75	4.98	1.63	1.66
650	5.30	3.22	5.11	1.98	2.11
700	4.98	2.13	4.11	2.25	2.16
750	5.45	1.86	2.04	2.21	1.87
800	2.83	1.95	3.24	2.34	1.74

不同工况	训练时长/h	RMSE/10 ^-2
不同工况	训练时长/h	EPESN	GA EPESN	PSO EPESN	CSBO EPESN
稳态	500	1.56	1.01	1.03	1.00
	650	1.66	1.28	1.20	1.20
	700	1.73	1.31	1.22	1.17
准动态	500	1.35	1.54	1.71	1.50
	550	1.11	1.53	1.99	1.53
	700	2.79	2.24	2.45	2.11

[1]	高同州, 贺小帆, 王晓雷, 李紫光, 朱振涛, 詹志新. 基于CDM理论与SVM模型的2014-T6铝合金疲劳寿命预测[J]. 航空学报, 2024, 45(7): 228952-228952.
[2]	田贵双, 王少萍, 石健, 陶模. 模型与数据混合驱动的IGBT寿命预测方法[J]. 航空学报, 2024, 45(15): 630173-630173.
[3]	李天梅, 司小胜, 张建勋. 多源传感监测线性退化设备数模联动的剩余寿命预测方法[J]. 航空学报, 2023, 44(8): 227190-227190.
[4]	刘斌, 许靖, 霍美玲, 崔学英, 谢秀峰, 杨栋辉, 王嘉. 基于多尺度自适应注意力网络的剩余寿命预测[J]. 航空学报, 2023, 44(5): 226918-226918.
[5]	杨家鑫, 唐圣金, 李良, 孙晓艳, 祁帅, 司小胜. 基于多源信息的隐含非线性维纳退化过程剩余寿命预测[J]. 航空学报, 2023, 44(12): 227662-227662.
[6]	王秀锐, 李凯尚, 谷行行, 张勇, 陆体文, 王润梓, 张显程. 基于晶体塑性理论的高-低周疲劳寿命预测统一准则[J]. 航空学报, 2023, 44(10): 427300-427300.
[7]	董青, 郑建飞, 胡昌华, 余铜辉, 牟含笑. 考虑随机冲击影响的自适应Wiener过程剩余寿命预测方法[J]. 航空学报, 2022, 43(9): 225914-225914.
[8]	张晟斐, 李天梅, 胡昌华, 杜党波, 司小胜. 基于深度卷积生成对抗网络的缺失数据生成方法及其在剩余寿命预测中的应用[J]. 航空学报, 2022, 43(8): 225708-225708.
[9]	童福林, 董思卫, 段俊亦, 李新亮. 激波/湍流边界层干扰分离泡直接数值模拟[J]. 航空学报, 2022, 43(7): 125437-125437.
[10]	牟含笑, 郑建飞, 胡昌华, 赵瑞星, 董青. 基于CDBN与BiLSTM的多元退化设备剩余寿命预测[J]. 航空学报, 2022, 43(7): 325403-325403.
[11]	陈克明, 田若洲, 郭素娟, 王润梓, 张成成, 陈浩峰, 张显程, 涂善东. 循环热机载荷作用下航空涡轮盘蠕变疲劳寿命预测[J]. 航空学报, 2022, 43(5): 225290-225290.
[12]	屈秉男, 蒋平, 赵鲁阳, 李凤荣, 王营冠. 基于短基线传感器阵列的炮弹被动测向算法[J]. 航空学报, 2022, 43(3): 325139-325139.
[13]	赵冬冬, 赵国胜, 夏磊, 方淳, 马睿, 皇甫宜耿. 无人机用燃料电池阴极供气系统建模与控制[J]. 航空学报, 2021, 42(7): 324659-324659.
[14]	肖阳, 秦海勤, 徐可君, 贾明明, 张柱柱. 基于改进SWT模型的FGH96合金低周疲劳寿命预测[J]. 航空学报, 2021, 42(5): 524360-524360.
[15]	张峻瑞, 郑锡涛, 袁林, 钟贵勇, 李国琛. 基于损伤权重的混合多钉连接件疲劳寿命预测方法[J]. 航空学报, 2021, 42(5): 524306-524306.

训练时长/h	RMSE
训练时长/h	ESN	ELM	LSTM	EPESN
250	3.643 70	4.815 00	4.517 70	3.634 50
275	4.691 50	6.329 00	5.051 10	3.778 80
300	4.462 30	5.145 10	5.638 40	3.779 40
325	4.600 60	4.224 20	4.833 70	3.857 20
350	4.768 60	3.044 90	3.951 90	3.014 80
375	2.815 50	3.980 70	3.970 20	3.044 90
400	4.856 60	3.471 40	3.318 80	3.118 80

训练时长/h	MAPE
训练时长/h	ESN	ELM	LSTM	EPESN
250	0.004 90	0.006 21	0.005 79	0.004 70
275	0.006 09	0.008 80	0.006 45	0.005 10
300	0.005 68	0.006 73	0.007 39	0.004 99
325	0.005 92	0.005 64	0.006 67	0.005 10
350	0.006 29	0.004 11	0.005 13	0.004 15
375	0.003 64	0.005 61	0.005 25	0.004 09
400	0.006 41	0.004 63	0.003 63	0.003 76

训练时长/h	RMSE/10 ^-3
训练时长/h	ESN	ELM	LSTM	EPESN
150	14.3	16.0	13.3	7.63
170	13.6	11.2	11.3	10.6
190	9.45	10.4	10.5	5.71
210	11.3	10.8	9.48	8.24
230	4.34	9.76	5.39	4.89
250	5.39	4.36	3.83	4.48
270	6.09	5.55	8.61	4.43

训练时长/h	MAPE/10 ^-2
训练时长/h	ESN	ELM	LSTM	EPESN
150	28.3	15.6	22.0	14.2
170	27.0	22.1	17.0	21.1
190	9.11	10.1	16.9	7.59
210	12.3	17.6	9.62	8.51
230	5.65	16.4	6.76	6.42
250	6.28	5.85	4.79	4.52
270	7.23	6.26	13.6	4.80